检索
E-mail
RSS

网络空间安全科学学报 >

2025 , Vol. 3 >Issue 1: 2 - 18

DOI: https://doi.org/10.20172/j.issn.2097-3136.250101

综述

无人机网络安全综述

  • 王云涛 ,
  • 苏洲 , * ,
  • 邓毅 ,
  • 高源 ,
  • 刘怡良
展开
  • 西安交通大学网络空间安全学院，西安 710049
苏洲（）。

网络出版日期: 2025-02-22

基金资助

国家重点研发计划项目（2022YFB3104500）

版权

版权所有©《网络空间安全科学学报》编辑部 2025
收起

A survey of security for unmanned aerial vehicle networks

  • WANG Yuntao ,
  • SU Zhou , * ,
  • DENG Yi ,
  • GAO Yuan ,
  • LIU Yiliang
Expand
  • School of Cyber Science and Engineering, Xi’an Jiaotong University, Xi’an 710049, China

Online published: 2025-02-22

Copyright

Copyright ©2025 Journal of Aeronautical Materials. All rights reserved.
Fold

摘要

无人机（Unmanned Aerial Vehicle，UAV）网络以低空空域为依托，以航空产业为主导。随着低空经济的快速发展，对无人机网络提出了强安全、高协同、可管控等新的要求。在综合梳理无人机网络的国内外研究现状的基础上，从节点行为安全、通信网络安全、智能决策安全、数据共享安全等多个维度对无人机网络面临的核心安全威胁与挑战进行了深入探讨，并从动态异常行为预警、通信链路可信保障、网络智能攻防对抗、跨域数据安全共享等多个方面对现有及潜在解决方案进行了全面综述。最后，探索了无人机网络与语义通信、大模型、数字孪生等新兴技术的融合方向并展望了未来发展趋势。

关键词： 无人机网络; 攻防对抗; 通信安全; 数据安全

本文引用格式

王云涛 , 苏洲 , 邓毅 , 高源 , 刘怡良 . 无人机网络安全综述[J]. 网络空间安全科学学报, 2025 , 3(1) : 2 -18 . DOI: 10.20172/j.issn.2097-3136.250101

Abstract

Unmanned aerial vehicle (UAV) networks are founded upon the low-altitude airspace and are led by the aviation industry. Driven by the fast development of the low-altitude digital economy, new demands and challenges of enhanced security, high collaboration, and regulatability have been raised in UAV networks. Based on the comprehensive review of current research progress on UAV networks, key security threats and challenges faced by UAV networks were explored from four perspectives: behavioral security, communication security, decision security, and data sharing security. A thorough review of the existing and potential solutions was also provided across various aspects, including dynamic anomalous behavior warning, trusted communication link construction, intelligent defense against network attacks, and cross-domain secure data sharing. Finally, several future directions and trends of the UAV networks were outlined about the integration of the UAV networks with the emerging technologies such as semantic communication, large models, and digital twin.

Key words： UAV network; attack-defense; communication security; data security

0 引言

无人机网络是指由多个无人驾驶航空器（Unmanned Aerial Vehicle，UAV）通过无线通信技术相互连接形成的网络化系统[1]。该网络不仅包括无人机本身，通常还涉及地面控制站、通信基站、数据处理中心等组成部分，用以实现信息的实时共享、协同作业和智能调度[2]。无人机具备高度的灵活性和适应性，能够在复杂的环境中执行任务。随着低空立体经济的快速发展，无人机网络已广泛用于灾害监测、环境保护、交通管理、农业监控、电力巡检以及低空快递物流等多种应用场景，推动了万物互联网络向低空空间的拓展与延伸。截至2023年末，我国无人机注册数量超过120万架，累计飞行时长约为2 300万小时[3]。无人机依据其气动布局类型可细分为多旋翼无人机、单旋翼无人机、固定翼无人机、垂直起降无人机以及垂直起降固定翼无人机等。图1展示了低空航空器系统的关键组成。表1比较了典型低空无人机在优缺点、适用任务以及典型产品方面的异同。
图 1 无人机系统组成

Fig.1 Components of UAV systems

表 1 典型无人机类型比较

Table 1 Comparison of typical UAV types

类型 优势 缺点 适用任务 典型产品
多旋翼无人机 操控简单灵活，支持垂直起降和悬停 续航时间和飞行距离有限 航拍、监控、建筑和地形测绘 DJI Mini 2、DJI Mavic Mini
单旋翼无人机 载重能力强，支持长时间飞行 操控复杂度高，需开阔空间起降 大面积农药喷洒、监测、特定搜救任务 Schiebel Camcopter S-100
固定翼无人机 飞行效率高，续航时间长，适合大范围任务 需跑道或弹射装置起飞，不支持悬停 长距离巡检、大面积地图测绘、环境监测 SenseFly eBee X
垂直起降无人机 支持狭小空间起降、悬停和远程飞行 设计和制造复杂度高，成本高 环境监测、货物运输、搜救 DJI Matrice 300 RTK、Quantix Recon
垂直起降固定翼无人机 支持垂直起降和远程飞行，适合复杂环境和长距离任务 技术要求高，成本较纯多旋翼或固定翼无人机高 复杂环境长距离监测、货物快递、测绘 JOUAV CW-15、JOUAV CW-25
无人机网络建设不仅对数字化经济建设至关重要，其安全防护对于保障国家空域安全也至关重要。例如，俄乌战争期间，无人机网络攻防已成为决定双方战争胜负的关键性因素。由此可见，无人机网络作为新型关键信息基础设施，已成为我国培育与发展新质生产力的重要赛道，其安全防护成为维护国家安全的战略核心。
无人机网络的建设受到世界各国的高度重视。早在2003年，美国国家航空航天局成立了全球无人机应用中心。2018年，美国国防部发布的《无人系统综合路线图2017—2042》对无人系统的未来协同作业进行了全面规划。欧盟自2006年起制定并实施了《民用无人机发展路线图》，并于2019年确立了数字天空发展战略。在我国，2016年国务院发布的《“十三五”国家战略性新兴产业发展规划》，首次将无人机产业提升至国家战略[4]。2021年，《国家综合立体交通网规划纲要》首次提及低空经济。2023年6月，国务院和中央军委颁布了《无人驾驶航空器飞行管理暂行条例》，该法规自2024年1月1日起正式施行，成为我国首部专门针对无人机的行政法规[5]。同年12月，中央经济工作会议提出了打造低空经济等战略性新兴产业的目标，到2025年低空经济对国民经济综合贡献值将达3万亿至5万亿元。地方政府积极响应，如广东、安徽、陕西、山西、重庆、江西、浙江、湖南、江苏等省份纷纷将发展低空经济纳入政府工作报告。以深圳为例，已新开通无人机物流航线77条，累计开通无人机航线156条，载货无人机飞行61万架次，建立了89个无人机停靠站点。随着我国低空经济的快速发展和各类新型无人机网络服务和应用的蓬勃发展，无人机网络安全管控向体系化、智能化、协同化发展成为必然趋势，提出了强安全、高协同、可管控等新的要求和挑战。
（1）节点行为安全层面。无人驾驶航空器种类从单一类型无人机向深度融合各类有人/无人异构航空器发展，现有的低空空域飞行监视与管控技术难以有效应对无人机网络多源异构、低时延、高动态轨迹等方面的技术挑战，难以从海量交互数据中快速精准识别航空器的异常行为，以支持实时轨迹预测、异常行为识别以及分级预警。
（2）网络通信安全层面。无人机网络中各类安全事件不断加剧并呈现群体性、对抗性、隐蔽性等新特征，同时无人机网络存在空—天—地跨层级网络攻击传播风险，导致传统的单层单点式安全防护难以有效发现安全威胁并实施针对性防控，亟须跨层联动式智能风险发掘以及动态可扩展的防控策略。
（3）智能决策安全层面。无人机通常依赖视觉处理、多模态信息融合以及强化学习等各类人工智能算法进行信息处理与指挥调度等智能决策，其在遮挡、快速运动、尺度变化等空中环境下通常容易遭受投毒攻击、对抗样本、后门攻击等安全威胁，亟需多点协同的智能决策安全防护策略。
（4）数据共享安全层面。无人机网络由若干动态异构子网组成，各子网拓扑结构、接入技术、终端设备的差异性显著影响跨域大规模数据共享性能。同时，日趋多样化、智能化的网络攻击和无人机的脆弱防护给大规模数据共享和数据溯源带来了安全挑战。因此，无人机网络中海量多级跨域敏感数据的安全保护和多点共享成为难点。
近年来，无人机网络安全逐渐成为学术研究热点。Rugo等[6]提出了25种无人机网络安全威胁，系统分析了应对措施和研究空白，从物理威胁、通信威胁到恶意软件和传感器漏洞，构建了全面的威胁框架。Adil等[7]聚焦无人机辅助的物联网，梳理了边缘层、访问层及应用层的主要安全挑战，提出了加密技术、区块链和入侵检测系统等应对策略，但对多维动态威胁及跨层防护体系探讨不足。何道敬等[8]从无人机组成结构出发，分析了保密性、完整性和可用性方面的威胁及防护措施，聚焦单机系统安全。刘炜等[9]总结了小型无人机的无线信号劫持、全球定位系统（Global Positioning System，GPS）欺骗和传感器攻击等威胁的研究进展，但对无人机群协同通信及多机互操作性研究不足。在通信安全领域，陈新颖等[10]从第六代移动通信系统（6th Generation Mobile Networks，6G）视角分析了无人机在空天地海一体化网络中的作用，探讨了太赫兹通信、智能反射面和区块链等前沿技术，但对安全威胁关注较少。Hassija等[11]系统分析了拒绝服务（Denial of Service，DoS）攻击、中间人（Man-In-The-Middle，MITM）攻击和GPS欺骗等主要威胁，以及区块链、软件定义网络（Software-Defined Networking，SDN）和边缘计算在无人机网络通信安全中的应用潜力，但在跨层威胁关联性和防护体系整合方面仍显不足。
本文基于2015年至2024年网络安全会议（IEEE S&P、ACM CCS、USENIX Security、NDSS）发表的无人机网络安全相关文献，以及其他在无人机网络安全研究方面的高水平工作进行了总结分析，综述了近10年无人机网络安全研究现状、主要安全威胁、现有及潜在防护措施和未来研究方向。本文在总结无人机网络安全研究现状的基础上，针对现有工作的局限性，从节点行为安全、通信网络安全、智能决策安全及数据共享安全等多个维度，提出了动态异常行为预警、可信通信链路保障、智能攻防对抗策略及跨域数据共享安全的研究方案。同时，结合语义通信、大模型和数字孪生等新兴技术，梳理了未来研究方向，为无人机网络安全研究提供了全面且具有前瞻性的分析框架。

1 无人机网络节点行为安全与防护现状

1.1 无人机网络节点行为安全威胁

行为安全涉及传感器攻防、飞行控制安全、防止非法侵入敏感或受限空域、抵御无人机恐怖袭击以及免受空中隐私侵犯等多个方面。前两种安全威胁主要面向合作无人机，后三种威胁主要针对非合作无人机。

1.1.1 传感器攻击

针对传感器的攻击通常包括欺骗攻击（Spoofing Attack）和转换攻击（Transduction Attack）[12]，如图2所示。欺骗攻击通过发送精心构造的虚假信号欺骗终端。转换攻击通过声音、电磁波、电信号等外部信号源，触发传感器故意读取错误信息。转换攻击已被证明对无人机和自动驾驶车辆有效，如使用声波影响陀螺仪，利用激光影响无人机的摄像头传感器和无人车的激光雷达传感器，以及用故意电磁干扰（Electro-Magnetic Interference，EMI）操纵无人机的执行器。
图 2 GPS欺骗攻击与传感器转换攻击

Fig.2 GPS spoofing attack and sensor transduction attack

（1）GPS欺骗攻击。GPS欺骗攻击者通过广播其伪造的貌似正常的GPS信号或延迟重放正常GPS信号，欺骗无人机GPS接收端。Yao等[13]展示了利用GPS欺骗技术攻击无人机群目标成员，并间接导致其他无人机群成员偏离航线甚至坠毁。实验结果表明，5 m的位置欺骗目标无人机就足以导致其他无人机撞入前方障碍物，在5 m和10 m欺骗偏差下攻击成功率分别达到76.67%和93.33%。Sathaye等[14]探索了仅通过欺骗GPS信号完全控制无人机移动而不使其坠毁的可行性和挑战，通过操纵实时控制无人机的速度和方向，以实现受控可预测的飞行。此外，作者设计了能根据用户输入进行实时轨迹操纵的实时GPS信号生成器，可配置生成任意轨迹，以及支持手动控制无人机运动的人在回路式GPS欺骗系统，并指出多传感器数据融合下攻击者仅凭GPS欺骗完全控制无人机仍是一项具有挑战性的工作。
（2）陀螺仪传感攻击。Son等[15]针对15种典型微电机系统（Micro-Electro Mechanical System，MEMS）陀螺仪的实验显示，声音通道可作为侧信道用于MEMS陀螺仪，通过高频噪声可使装备MEMS陀螺仪的无人机失控并坠毁，而攻击者仅使用最大声音噪声振幅的30%，便能在相同距离上实现几乎相同的效果。为进一步提升攻击的隐蔽性，Hong等[16]设计了两种隐蔽式攻击方法精巧地将攻击信号注入音频文件。
（3）毫米波传感攻击。Chen等[17]提出并实现了一种基于超材料增强标签的新型毫米波传感攻击MetaWave，使用低成本且易于获取的超材料标签来执行两种攻击：消失攻击和幽灵攻击，并提出了利用射频模拟器和梯度下降法搜寻MetaWave标签最优参数的通用攻击优化框架。多场景下的实验结果表明，MetaWave在距离测量上可实现97%的攻击成功率，在角度测量上为96%，在速度测量上为91%，且比现有毫米波攻击成本降低90%~95%。
（4）惯性测量单元传感攻击。配备了MEMS惯性测量单元（Inertial Measurement Unit，IMU）的无人机易受声学注入攻击，该攻击通过共振传感器破坏其输出并导致无人机坠毁。Jang等[18]提出了一种新型的IMU攻击方法，利用电磁干扰信号注入来扭曲IMU与无人机控制单元的通信信道。实验验证了存在特定的易受攻击频率，电磁干扰信号在该频率下可极大扭曲无人机的各种传感器数据。另外，作者指出该攻击可用于研究新型反无人机技术。
（5）视觉传感器攻击。Fu等[19]通过理论分析和实验验证展示了一种针对无人机摄像头和双目视觉传感器的激光攻击，证实了激光能够导致无人机避障、目标识别和跟踪等视觉功能完全失效，进而导致无人机坠毁。Zhou等[20]利用深度估计算法中立体匹配的弱点和光学成像中的镜头光晕效应，提出了一种名为DoubleStar的远程攻击方法，通过从两个互补光源投射纯光来注入障碍物深度。其包含两种攻击形式：光束攻击和光晕球攻击。光束攻击和光晕球攻击分别利用投射光束和通过镜头光晕效应产生的光球导致错误的深度感知。对配有两款商用立体摄像头（ZED和Intel RealSense）和最先进避障算法的商用无人机的真实实验表明，该攻击可创建夜间最远15 m、白天最远8 m的虚假障碍物深度，并使飞行中的无人机突然停止或长距离内偏离航线。
（6）位置操纵攻击。无人机在飞行中可能因发生物理故障或遭受网络攻击而失控，发生空中碰撞以及撞向人群或地面建筑。Chen等[21]提出了一种实用的无人机位置操纵攻击，实验证实了其可利用导航算法中的弱点来精巧伪造和操纵无人机GPS位置。同时，当实际系统中扩展卡尔曼滤波（Extended Kalman Filter，EKF）位置估计难以获得时，可通过雷达、无线电信号三角测量等定位方法测量无人机位置和速度。
（7）其他传感器攻击。用于远距离测量的雷达传感器易遭受阻塞攻击（即利用噪音信号压制住雷达本身的信号，使传感器误判距离），而用于近距离测量的超声波传感器易遭受信号干扰、阻塞、欺骗攻击以及信号消除等威胁。

1.1.2 “空中”隐私侵犯

无人机装备的摄像头和其他监视设备可能被用于未经许可的监控和数据收集活动，造成个人隐私被侵犯。现有无人机检测方法虽然支持检测特定位置的无人机的存在，但仍难以判断经过的无人机是被操作者用于合法目的（如送披萨）还是非法目的（如卧室偷窥），导致无人机隐私侵犯检测困难。

1.1.3 空域非法侵入、恐怖袭击与走私

无人机，尤其是低慢小无人机，可能被用于非法侵入敏感或受限空域，如机场周围、政府机构、军事基地等禁飞区，威胁航班安全和国家安全。2018年12月，英国伦敦盖特威克机场的无人机侵入导致机场关闭近36 h，影响超1 000个航班和约14万名乘客。无人机也可能被恐怖分子用作携带爆炸物或其他危险物质的工具，对民众、政府机关、军事设施或其他重要目标进行精准袭击。同时，无人机的小型化和隐蔽性使其成为走私者的首选工具，用于跨境运输毒品、武器或非法物品，从而绕过传统边检和监控。然而，由于无人机航路的多变性和无人机恐袭/走私事件的突发性和难以预测性，精准快速实现大规模低空安全监管和动态攻防对抗成为严峻挑战。

1.2 动态异常行为预警

本节从飞行异常预警、多源数据融合异常检测、无人机反制、空中隐私侵犯预警、无人机攻防对抗博弈等多个方面详细探讨无人机网络动态异常行为预警机制的设计。

1.2.1 传感器安全防护

控制器基于传感器信号进行决策，错误的传感器数据可能导致无人机坠毁。传感器安全通常包括传感器本身的防护以及传感器数据传输的安全性。
（1）针对GPS欺骗攻击，Sathaye等[22]设计了一种可消除欺骗信号的单天线GPS接收器SemperFi，它能追踪合法GPS卫星信号并在面对攻击者时提供不间断的真实位置估计。结合无人机内置的基于EKF的GPS故障安全机制和所提合法信号检索模块，SemperFi实现了隐蔽式欺骗攻击检测并可自主恢复。真实环境下的实验结果表明，通过执行100 m内的无人机飞行模式，SemperFi能在0.54 s内恢复真实位置。
（2）针对陀螺仪干扰攻击，Hong等[16]设计了一种基于长短期记忆与累积和控制图（Cumulative Sum Control Chart，CUSUM）的神经网络异常检测组件，以分析和过滤异常值。
（3）针对MetaWave毫米波感知攻击，Chen等[17]从人工检查、辐射检测、射频指纹、虚警检测以及多毫米波传感器协同等多个角度提出了相应的潜在防御策略。
（4）针对当前MEMS IMU防御方法存在的实用性受限问题，Jeong等[23]提出了一种新型实用的MEMS IMU欺骗缓解策略。根据观测到的采样抖动能显著增加攻击影响的现象，开发了基于去噪自编码器的传感器恢复技术，从被破坏的MEMS IMU传感信号中恢复良性信号。
（5）针对视觉传感器激光攻击，Fu等[19]提出了软硬件融合的轻量级防御策略，增加了传感器数量并融合分析多传感器数据，以提高视觉传感器对激光攻击的防御能力。
（6）多源数据融合异常检测。通过对无人机网络中来自不同传感器、无人机或平台的大规模、多模态数据进行高效融合，可获得比单一数据源更准确全面的异常飞行行为决策。常见的融合方法包括基于模型的融合[24]（如构建物理或统计模型）、基于学习的异常检测、基于深度学习的特征融合[25]（如基于Transformer）、基于证据理论的融合、感知数据拼接、决策层加权融合等。然而基于模型的检测算法具有移植性差和易受噪声影响等缺点，难以应对复杂环境下的大规模无人机网络。此外，由于无人机数据具有维度高、数据规模大的特点，实际情况中统计模型通常难以建立。

1.2.2 “空中”隐私侵犯预警与防护

Birnbach等[26]基于无人机与控制器的通信来检测私有区域隐私侵犯攻击，利用无人机数据传输的接收信号强度（Received Signal Strength，RSS）方差分析来检测无人机的移动状况。作者进一步开发了一种检测无人机与其接收器的接近度的方法，以监测无人机是正在接近还是正在远离探测器，从而支持追踪隐私攻击处于何种阶段。在两款商用无人机上的实际实验表明，所提系统能在无人机进入视距范围前提前检测附近飞行的无人机，并在其接近窗户时发出警报。针对人口密集区域的无人机隐私侵犯行为，Nassi等[27]提出了一种基于水印的空中隐私侵犯行为甄别方法，以检测特定兴趣点（Point of Interest，POI）是否被无人机视频直播。作者观察到通过对被无人机视频直播的POI受害者施加特定频率下的闪烁等物理刺激，可在加密视频流量中添加水印。使用DJI Mavic Air、Parrot Bebop 2等四种商用无人机，并在屋内和驾驶汽车等两个场景展示了所提方法可用于区分正常第一人称视角（First-Person View，FPV）传输与可疑的无线电传输，可在约2~3 s内检测隐私侵犯攻击。为满足商用递送无人机在不同主机空域的隐私监管需求，Beck等[28]提出了一个支持无人机隐私监管的新框架Privaros，通过嵌入机器人操作系统（Robot Operating System，ROS）强制执行所设计的隐私监管策略，支持与Digital Sky等无人机监管平台集成，同时其核心机制对通信延迟和功耗影响微小。

1.2.3 无人机安全阻断博弈

考虑无人机快递和反无人机这两种典型的时效敏感的无人机应用，Sanjab等[29]构建了一个通用的无人机安全阻断博弈模型。其中，阻断者选择最佳位置对无人机进行定位并阻断其潜在路径；而无人机操作者通过寻找最佳路径选择策略，规避攻击并最小化任务完成时间。作者将累积前景理论纳入该博弈中，以建模操作者和阻断者的有限理性，即对任务完成时间的主观评价和对无人机面临的风险水平的感知，并从理论上分析了博弈的斯坦克伯格均衡点。鉴于安全机构资源有限，难以监控所有攻击节点，且攻击团体领导者通常针对安全机构的潜在监控行动策略性地激活攻击节点，Wang等[30]提出了一种基于大规模斯坦克伯格安全博弈的最佳监控策略，设计了双重预言机框架和近似算法，以快速计算双方的次最优响应策略。

1.2.4 无人机避障与飞行异常预警

飞行异常预警指实时监测有人/无人机飞行过程中可能出现的异常情况，通常体现在飞行轨迹、电池电量、姿态位置、飞行环境等方面。无人机避障方法通常基于雷达、光学和红外传感器、激光雷达、声呐、超声波、视觉以及多传感器融合等方式。然而，当前无人机避撞技术依赖短程传感器，难以适用于远程无人机以高速度接近时或周围环境存在大雾和噪声等状况。此外，无人机通常需要周期性位置广播，导致无人机位置识别、泄露、追踪等威胁。针对上述威胁，Tedeschi等[31]基于空间镶嵌的分析模型提出了一种轻量级、隐私保护的无人机共位检测和防碰撞方案，在真实环境下3DR-Solo无人机上的实验显示，其支持检测移动实体之间的共位情况并提供安全逃逸路径，比传统隐私保护的近距离测试方法减少84.85%的计算开销。

1.2.5 无人机检测与识别

主流无人机检测方法[32]包括雷达、射频扫描仪、摄像头、红外相机、激光雷达、声学、声光信号、雷达光学信号混合等方式。

1.2.6 无人机拦截与反制

使用察打一体化等无人机反制设备和设置地理围栏系统，可以大幅减少无人机进入禁飞区的风险。主流无人机反制方法包括无线电干扰、传感器干扰与欺骗、物理拦截等。无线电干扰使用电子战技术对无人机的控制频率进行干扰，迫使其降落或偏离预定航线。防御者可反向利用传感器干扰与欺骗攻击，误导无人机的感知/定位系统，将其引导至安全区域或落地坠毁。物理拦截通过网枪、激光或其他专门设计的无人机捕捉装置来物理捕获或摧毁入侵无人机，这些设备可以从地面发射或由另一架无人机携带。此外，Chen等[21]指出防御者可以反向利用无人机位置操纵攻击，在无人机无意识接近禁飞区时自动调整其航向，从而偏离其预定目标并防止潜在冲突行为。

2 无人机网络通信安全与防护现状

2.1 无人机通信网络安全威胁

无人机通信网络安全涉及信号窃听与干扰、远程劫持、“空中”网络入侵等。特别地，无人机既可作为网络攻击目标，也可作为网络攻击载荷。

2.1.1 信号窃听与干扰

有人/无人机依赖5G和自组网等通信系统进行远程操控和数据交换，由于无人机地空通信链路普遍存在链路透明、频点公开、缺乏保密等问题，攻击者可窃听、拦截或篡改无人机与控制站、其他无人机以及基础设施之间的通信链路数据。此外，攻击者可发动无线信号干扰、GPS干扰、电磁干扰等攻击，扰乱或破坏目标无人机设备或系统的信息传输与组网功能。例如，2012年伊朗曾通过无线信号干扰成功击落并捕获RQ-11和RQ-170等多架美国无人机。
（1）窃听。Wen等[33]指出，无人机由于其信号的视距（Line-of-Sight，LoS）传输特性，更易被潜在窃听者或好奇用户截获。例如，2017年以色列Septier Communications公司发布了首个手机/电话数据窃听的无人机，其可监听2G、3G和4G网络数据，最大监听范围达1 km。
（2）网络连通性攻击。Yuan等[34]探讨了在地面有意或无意干扰等情况下无人机群在三维空间中的网络连通性，以及与信号干扰攻击的关联。
（3）广播式自动相关监视（Automatic Dependent Surveillance–Broadcast，ADS-B）信号攻击。ADS-B是一种用于跟踪和监视航空器的系统，航空器通过ADS-B自动广播其位置、速度和其他相关信息，易遭受欺骗、重放、干扰、注入等攻击。例如，攻击者可通过发送伪造的ADS-B消息来模拟一架不存在的航空器或篡改真实航空器的广播信息，从而实施ADS-B欺骗攻击；或发送大量无效信号干扰ADS-B信号接收，从而实施ADS-B干扰攻击。
（4）电磁干扰攻击。Dayanıklı等[35]通过实验展示了故意电磁干扰攻击对由脉冲宽度调制（Pulse Width Modulation，PWM）控制的执行器的有效性，从而威胁无人机等设备的安全运行（如改变飞行轨迹），同时，介绍了阻塞、阻塞与旋转、完全控制等三种攻击波形。实验表明，阻塞波形可对所有测试的执行器实施拒绝服务攻击，同时攻击者可利用后两种波形控制Futaba和HiTec等制造商的伺服电机。

2.1.2 远程劫持攻击

远程劫持是指通过利用通信协议和软件架构等安全漏洞来远程操控无人机。Hooper等[36]通过实验验证了黑客可远程利用基于Wi-Fi的Parrot无人机的ARDiscovery协议漏洞，使正在飞行中的无人机失去飞行能力。此外，作者发现Parrot Bebop无人机易受地址解析协议缓存中毒、Wi-Fi解除认证等攻击，从而与运营者中断连接。Kim等[37]表明无人机等智能体控制程序中存在输入验证错误（Input Validation Bugs，IVB）的新型漏洞，其中攻击者远程发出控制参数变更命令，使用非法参数值来扰乱无人机的控制和任务，导致任务失败以及无人机损坏或坠毁。此外，IVB无需代码注入、控制流劫持或传感器欺骗，且具有非常小的足迹（即只需一个看似无害的控制命令），导致难以防御。Zhou等[38]表明基于C语言的无人机嵌入式系统易受控制流劫持攻击，存在严重的安全隐患。

2.1.3 “空中”网络入侵

无人机作为飞行的“空中黑客”，提供了一种新型隐蔽式攻击方法，使黑客能够从因范围限制而无法通过其他方式访问的系统中提取信息。无人机可以用作无线入侵接入点，利用协议和系统漏洞入侵各类关键信息基础设施。例如，2016年以色列科学家操纵无人机并利用ZigBee协议缺陷，成功入侵了大楼内的智能电灯。Kamkar展示了Skyjack攻击 1，利用搭载树莓派的无人机劫持其他无人机，形成僵尸无人机群，并通过接管大量地面智能设备和个人计算机形成僵尸网络。

2.2 通信链路可信保障

本节从控制流劫持防护、无线电遥控信号欺骗防御、协同抗干扰、物理层安全通信等多个方面详细探讨无人机通信网络可信保障机制的设计。
由于无人机集群通常需要频繁地交换敏感信息，如位置、任务指令和传感器数据，因此，保护通信安全对于确保无人机集群的安全运行至关重要。
（1）针对无人机的控制流劫持攻击，Zhou等[38]提出了一种基于编译器的软件控制流劫持防御策略Silhouette，并基于ARMv7-M架构开发了仅需少量硬件更改成本的原型系统，以有效保证嵌入式系统返回地址的完整性。Silhouette利用基于存储硬化的安全影子栈保护返回地址，并执行前向控制流和内存保护检查，以确保所有函数返回到正确的动态调用者。在两个基准测试套件上的实验表明，所提系统仅引入0.3%和1.9%的几何平均性能开销。
（2）无线电遥控信号欺骗攻击旨在干扰或篡改无人机与遥控器间的无线电信号，以影响无人机控制。手动驾驶模式下的无人机需要飞行员发送飞行命令，Shoufan等[39]通过捕获和分析20个飞行员的无线电控制信号来训练随机森林分类器，可达到约90%的无人机飞行员识别准确率。
（3）协同抗干扰。针对干扰信号源位置未知的情形，Lu等[40]提出了有人机与多个无人机协同的多干扰信号源动态搜索框架。其中，有人机将干扰任务分配给无人机，无人机通过无源定位方法来感知接收干扰信号的强度，从而定位多个信号源位置。此外，作者利用多智能体深度强化学习进行动态轨迹规划，从而实现快速搜索和定位干扰信号源。
（4）物理层安全通信。Wen等[33]提出了一种智能超表面（Reconfigurable Intelligent Surface，RIS）辅助的无人机安全通信方案，通过联合优化无人机轨迹、信息和人工噪声信号的波束成形向量，以及RIS相位偏移来增强通信保密性，减少潜在的窃听风险。Han等[41]提出了一种基于物理层的无人机辅助的大规模物联网组密钥生成方案DroneKey，以加密和认证广播/多播消息。为随机移动的无人机引入一个公共随机性因素，作为刷新组密钥的公共随机源，同时，不同设备接收的信道状态信息流都与无人机移动相关联。DroneKey融合了深度学习方法来提取信道状态信息（Channel State Information，CSI）流之间的隐藏关联，以建立一个共同组密钥。室内和室外环境下的原型评估表明，DroneKey能够将10个设备的密钥生成率提升至89.5 bit/s，并能支持多达100个设备。
（5）网络连通性防护。面向构建安全弹性的无人机网络基础设施需求，Chen等[42]建立了一个三阶段博弈框架，其中防御者旨在最大化网络联通性，而敌手旨在通过攻击一组链接使网络断联。作者从理论上分析了子博弈完美均衡，包括防御者的修复策略和敌手的攻击策略，并通过无人机辅助的灾难恢复网络的案例进行了证实。然而上述工作仅适用于稳定网络拓扑下的防护。Wang等[43]进一步考虑拓扑动态时变的无人机网络下的高级持续性威胁（Advanced Persistent Threat，APT）防御，将APT攻击者和防御者的互动建模为动态APT修复博弈，并将APT损害最小化问题表述为精确预防和控制问题。同时，在延迟和防御资源约束下利用在线快速策略搜索机制求解近似最优解。

3 无人机网络智能决策安全与防护现状

3.1 无人机网络智能决策安全威胁

无人机智能决策安全涉及软硬件漏洞、算法对抗、飞行服务威胁等。

3.1.1 航空器软硬件漏洞

有人/无人机存在潜在的内核威胁、输入输出（Input/Output，I/O）安全威胁、固件等，同时其飞行控制程序容易遭受语法错误[44]、缓冲区溢出、输入验证错误[44]、恶意/缺陷补丁下载[45]、IVB漏洞[37]、返回地址篡改[38]、零日漏洞、无人机MalDrone后门、反编译[46]等威胁。例如，Dey等[46]通过反编译和修改部分代码来攻击大疆无人机软件开发套件（Software Development Kit，SDK），从而绕过并删除大疆无人机应用程序和服务器间身份验证。

3.1.2 算法对抗威胁

在遮挡、快速运动、尺度变化等空中环境下，无人机视觉处理算法通常容易遭受投毒攻击、对抗样本、后门攻击等安全威胁。此外，强化学习在无人机自适应路径规划与避障[47]、抗干扰通信[48]等领域已被广泛应用。当前基于强化学习的无人机网络容易遭受潜在的状态噪声干扰和错误状态干扰，并面临不精确的奖励甚至奖励投毒行为等威胁[48]。

3.1.3 飞行服务威胁

无人机网络服务易遭受DoS攻击[49]、单点故障[50]、定时攻击[51]等多种典型网络攻击。Sedjelmaci等[49]指出，恶意节点可能会利用泛洪攻击造成DoS，从而耗尽无人机的能源或阻塞无人机网络通信服务。定时攻击[51]通常用于时延敏感的无人机任务，增大无人机任务延迟导致错过任务截止时间，或增加任务抖动以破坏控制系统。在延迟攻击中，攻击者通常利用缓存污染等资源竞争使受害无人机任务显著延迟。在抖动攻击中，攻击者旨在操纵系统定时服务导致任务执行时间的抖动。在蝴蝶攻击中，攻击者操纵GPS信号影响任务执行时间，造成控制抖动。

3.2 网络智能攻防对抗

本节从软硬件系统安全、算法安全、攻防博弈、入侵检测等多个方面详细探讨无人机网络智能攻防对抗机制的设计。

3.2.1 航空器内核与固件安全

（1）内核与I/O安全。Khan等[52]设计了一个微内核构成的安全参考监视器M2MON，通过监控系统中的内存映射I/O活动介入无人机的每次内存映射I/O访问。作者进一步实现了基于内存映射I/O访问模式的防火墙和安全EKF，真实环境下的实验结果显示，M2MON可有效防御多种信息物理层面攻击，并仅引入8.85%的运行时开销。
（2）固件安全。针对航空器硬件与固件间的紧密耦合以及嵌入式系统的多样性导致的固件动态分析困难，Clements等[53]开发了一种二进制库匹配方法，以识别可跨不同固件样本和芯片模型复用的抽象组件，并设计了用于交互式动态分析以及模糊测试的原型系统HALucinator。针对动态测试或模糊测试嵌入式固件存在硬件依赖性和可扩展性差等缺点，Feng等[54]提出了首个用于建模处理器—外设接口I/O行为的软件框架P2IM，其允许对微控制器固件进行动态大规模测试，实现了高代码覆盖率且不依赖硬件，适用于无人机等大量嵌入式设备。70个样本固件和10个实际设备固件上的实验表明，P2IM成功测试了79%的固件且无需人工干预。

3.2.2 飞行软件安全

（1）软件安全。软件代码分析与漏洞检测的主流技术包括数据流分析、别名分析、污点分析、符号执行、模糊测试以及沙箱等。针对无人机控制程序二进制文件中的IVB漏洞，Kim等[37]开发了一个控制程序检测系统RVFUZZER，旨在揭示那些非法但可被系统接受的动态可调控制参数值的范围。RVFUZZER通过自适应地变异输入控制参数值来确定无效值范围，该过程由模拟无人机中控制状态偏差的检测值所驱动。面向无人机控制软件模糊测试需求，Kim等[44]提出了策略引导的模糊测试框架PGFUZZ，以验证无人机是否遵循涵盖用户命令、配置参数、物理状态的已识别安全和功能策略。作者考虑时间逻辑表征策略及其时间约束，融合静态和动态分析以缩小输入空间，并利用变异模糊输入以最小化距离指标。在三款飞行控制软件包ArduPilot、PX4和Paparazzi上的评估结果表明，PGFUZZ发现了156个未知错误，其中106个已被开发者确认。面向无人机控制软件补丁安全需求，Kim等[45]开发了适用于无人机等自主机器人的自动化补丁验证框架PATCHVERIF，以评估给定补丁是否在控制软件中引入漏洞。在两个控制软件ArduPilot和PX4上的评估结果显示，PATCHVERIF找到了115个由缺陷补丁引入的未知漏洞，其中103个已被确认，51个已被修复。
（2）算法安全与鲁棒性。针对强化学习算法中潜在的状态噪声干扰、不精确的奖励甚至奖励投毒行为等威胁，Lu等[48]提出了一种基于策略优先级的安全分层强化学习算法，设计了一套安全风险评估标准以及智能体间的迁移学习策略，用于防止学习过程中可能会采纳导致失败的恶意策略。同时，针对无人机抗干扰通信场景，作者提出了一种安全的深度强化学习算法，以提高策略探索的稳定性。

3.2.3 无人机攻防对抗博弈

当前针对定时攻击的防御方案难以检测和防御由被攻击的无人机软件所引入的控制器抖动。考虑飞行任务的时序属性和多阶段特性以及信息物理交融的影响，Wang等[51]提出了一种新型的实时任务执行完整性的安全属性，用于验证无人机任务执行过程的完整性和时效性。通过软件自动隔离和软件插桩，只对关键部分进行有意义的测量，从而提供实时任务执行完整性的测量和验证，实现测量细节级别与运行时开销之间的权衡。在两个平台的四个真实嵌入式程序上的评估结果，证明了所提防护方案的高性能和实用性。

3.2.4 网络入侵检测

现有入侵防护手段分为主动防护和被动防护两种。
（1）主动防护。指事前主动采取预防措施来降低威胁的发生概率。Wang等[55]提出了一种基于分布式低/中交互蜜罐的无人机协同防御方案，无人机通过与地面站共享捕获的蜜罐攻击数据来提升入侵监测能力。
（2）被动防护。指在威胁发生时检测网络或系统活动以检测可能的入侵行为。Quinonez等[12]展示了针对无人机等自主车辆的新型隐蔽攻击，即强大的敌手可以持续注入最大量的虚假信息并逃脱检测，其研究揭示了广泛使用的物理式攻击检测（Physics-Based Attack Detection，PBAD）方法的局限性。为克服这些限制，作者利用已知的物理不变量提出了一种鲁棒的隐蔽攻击检测机制，通过离线学习这些不变量的参数并使用CUSUM算法来跟踪历史异常。在Intel Aero无人机上的真实实验显示了其检测有效性。Sedjelmaci等[56]观察到当节点表现出恶意活动迹象时，立即逐出该节点并不总是最优策略，因为该迹象可能由噪声或不可靠通信引起。为权衡入侵检测率、假阳率和系统开销，作者提出了利用贝叶斯安全博弈模型实现低开销精准检测攻击。

4 无人机网络数据共享安全与防护现状

4.1 无人机网络数据共享安全威胁

无人机不仅承担着海量密集的数据收集和传输任务，还经常处理和存储个人隐私、地图位置、关键设施图片等敏感信息，这使其面临数据泄露、非授权访问、数据篡改、虚假数据注入等多重威胁以及可信和可追溯等多维需求。

4.1.1 敏感数据泄露

在执行任务过程中，无人机收集并存储的敏感信息，包括个人隐私数据（如无人机拍摄的私人区域影像）、地理位置数据、飞行日志及军事设施部署信息等，存在被非法获取或公开的风险，从而导致敏感数据泄露，对个人隐私、商业机密或国家安全造成了潜在威胁。Tedeschi等[57]探讨了无人机远程身份标识中的隐私保护问题，分析了位置和身份数据共享的安全威胁。

4.1.2 非授权访问

攻击者可通过漏洞利用、提权等手段非法侵入无人机通信系统或数据存储系统，实现非授权访问，以窃取、篡改或破坏无人机存储的或通过无人机传输的敏感信息。例如，2009年美军出于追求高性能而禁用了无人机视频源加密功能，导致其“捕食者”号无人机的实时视频信号被伊拉克武装分子通过成本仅26美元的SkyGrabber软件成功截获。Wang等[58]指出，无人机通信系统由于其空对地直视通道特性而更易遭受窃听威胁。如何有效实施细粒度访问控制，确保数据公开透明的同时保护信息不被非授权访问亟待解决。此外，随着无人机的广泛应用，其携带和传输的数据类型日益增多，使得高效动态授权更新成为挑战。

4.1.3 虚假数据注入攻击

攻击者通过向无人机系统发送伪造或篡改的数据，误导无人机的导航系统、感知系统或任务执行决策，从而实现操控无人机或扰乱其任务执行。Alladi等[59]指出，在无人机通信中，攻击者可能通过身份伪造或重放攻击方式注入虚假信息，干扰系统的正常运行。例如，攻击者可向无人机发送虚假GPS信号，导致其偏离预定航线，或向无人机注入错误的环境监测数据，影响监测的准确性。针对无人机自适应路径规划，Wang等[47]设计了一种固定地面干扰器，采用持续干扰攻击和周期性干扰攻击策略，干扰无人机与地面节点间的链接，进一步设计了基于强化学习的智能无人机干扰器以自适应地注入干扰。仿真结果表明，固定干扰和智能干扰攻击对无人机性能有显著影响。然而，无人机往往需要在复杂多变的环境中执行任务，使得难以验证接收数据的真实性。同时，如何在不影响无人机正常工作和实时性的要求下，有效抵御虚假数据注入攻击成为挑战。

4.1.4 隐蔽式数据篡改攻击

攻击者可通过激光干扰摄像头、对抗样本注入等手段在无人机通信或数据处理环节中，对其收集或传输的数据进行微妙且难以察觉的篡改，从而改变无人机的感知或决策结果。攻击的隐蔽性导致常规安全监测手段难以及时发觉。Li等[60]设计了一种基于测量的最优隐蔽攻击，其中攻击者的目标是恶化远程状态估计的性能，并保持对Kullback-Leibler散度检测器的隐蔽性。对未受保护系统，作者通过求解单一约束的凸优化问题获得最优攻击策略；对具有有限加密资源的受保护系统，目标问题被构建为多约束的凸优化问题。真实无人机的攻击案例验证了理论结果的有效性。

4.1.5 搭便车与数据可用性威胁

搭便车（Free-riding）指航空器只享受网络服务和资源而不贡献自身资源或服务，如数据共享、传输带宽或计算能力。搭便车行为不仅降低了系统效率，导致数据可用性下降，还可能引起网络信任危机并妨碍正常运营和紧急任务的执行。例如，无人机伪装成正常节点加入网络，接收数据和服务但拒绝转发数据；或在群体协同任务中，故意减少自身参与度以节省能源消耗，依赖其他无人机完成任务。

4.1.6 跨域数据可信共享问题

跨域数据可信共享是指跨管理域或地理区域的用户、组织或无人机系统间安全可信地交换数据（如无人机位置和导航数据、感知数据等）的能力。然而，在开放的低空网络环境中，数据在传输过程中可能遭受拦截、篡改或假冒，并且不同域的安全策略、数据法规和技术标准可能存在差异，使得难以建立跨域信任机制。此外，维持数据的完整性和真实性，确保数据的合法合规使用同样重要。

4.1.7 数据溯源问题

数据溯源是指追溯和验证航空器收集或传输数据的来源及其路径的能力，以确保数据的真实性和完整性。在无人机网络中，数据通常在多个终端节点之间传输并流转，而且航空器的动态性和分布式特性使得追溯数据流动路径变得复杂。

4.2 跨域数据安全共享

本节从数据机密性、访问控制、实时性、质量控制、可信溯源、透明管控、多级隐私保护等方面详细探讨无人机网络跨域数据安全共享机制的设计。

4.2.1 数据机密性与访问控制

（1）签密。Li等[61]提出了改进的聚合BLS（Boneh-Lynn-Shacham）签名方案并结合默克尔哈希树，以保证传输中数据包的完整性和真实性，还提出了一种基于身份的在线/离线可撤销群签名方案，其密钥管理成本低且效率高。面向有人/无人机协同编队场景，Ye等[62]搭建了基于身份加密的安全多链路融合编队通信模型，其中有人机负责网络中全部无人机的任务分配、身份认证和私钥签发等。
（2）属性加密。面向云辅助的网联无人机，Prasad等[63]提出了一种基于属性的可搜索加密方案以安全存储和检索数据，其具有外包解密和可验证的数据检索功能。

4.2.2 数据完整性

Abera等[64]提出了一种针对无人机等自主协作系统的控制流验证方案，通过使用控制流验证防止数据在传输中、源设备端生成以及处理等过程中被恶意篡改，从而保障数据的完整性。通过将数据与反映数据正确生成和处理的验证报告相关联，实现数据完整性验证；通过模块化软件分解并仅验证处理特定感兴趣数据的模块，减少验证开销；提出了新型执行路径表征方式以实现复杂软件的控制流验证，并将验证者的开销由指数级降至线性。在Pixhawk PX4飞行控制器软件上的实验结果验证了所提方法的有效性和可扩展性。

4.2.3 数据实时性

信息年龄（Age of Information，AoI）表示从信息生成到信息接收的时间间隔，广泛用于数据实时性或新鲜性度量。面向新型无人机群感知服务中的AoI优化问题，Wang等[65]提出了一种适用于大规模无人机网络的分布式多智能体深度强化学习框架，包括一种基于Transformer的分布式架构和一种自适应奖励机制，在真实数据集上实现了多维度AoI的最小化和数据收集总量的最大化。

4.2.4 数据质量控制

针对无人机在数据共享中的自私性和搭便车等现象，Su等[50]提出一种基于两层强化学习的算法，在高动态环境下以最优资源价格自适应地激励分布式无人机的高质量数据共享。Wang等[55]基于合同博弈设计了信息不对称环境下的最优无人机载蜜罐数据交易契约，实现了高质量蜜罐信息共享。针对协同频谱共享中的投毒与搭便车攻击，Wang等[66]基于审计博弈和强化学习设计了存在审计预算约束时审计者与频谱协作者的最优混合策略，降低了协同频谱共享中的虚警和漏检概率。

4.2.5 数据可信溯源

鉴于区块链去中心、可追溯、全留痕、防篡改等特性，基于区块链的无人机网络溯源与管控成为研究热点。Wang等[67]提出了一个适用于无人机的空地协作式轻量级救援链架构，以追溯空中/地面实体的历史不良行为，并设计了基于声誉的Tendermint共识协议，以提升共识效率和安全性。Kim等[68]提出了一个跨领域的无人机事故后调查框架MAYDAY，实现了基于控制和程序级日志来追溯导致无人机事故的控制语义错误。对10起由真实ArduPilot Bug引起的无人机事故的调查表明，MAYDAY能准确定位事故在控制程序中的根本原因，同时运行时开销和存储开销最小。

4.2.6 多级隐私保护

考虑不同服务安全等级的差异化需求、用户安全偏好的多样性，以及系统已有安全措施的兼容性，当前研究通过结合差分隐私、联邦学习、安全多方计算、同态加密等技术，为无人机网络提供全面分级的隐私保护。差分隐私技术通过在数据发布时加入一定量随机噪声，阻止攻击者从发布的数据中推断出个体隐私信息，同时尽可能保留数据的统计特性；联邦学习作为一种分布式机器学习方法，允许多个无人机在不直接共享数据的情况下，通过交换本地计算更新模型，实现隐私保护和数据利用的权衡；安全多方计算技术允许多个参与方安全地聚合来自不同无人机的敏感信息，而不暴露各自具体数据；同态加密技术可在密文状态下进行数据处理，无须解密就可进行数据分析和计算。目前，仍须研究开发灵活、可配置的多级隐私保护机制，以适应多变的低空场景和用户需求。
图3总结了无人机网络现有和潜在的安全威胁与防护措施。
图 3 无人机网络安全威胁与防护措施分类

Fig.3 Taxonomy of security threats and countermeasures for UAV networks

5 未来研究展望

5.1 语义通信赋能无人机网络

语义通信作为一种新兴通信范式，其核心在于传递信息的“意义”而非“数据本身”，为无人机网络提供了更为高效和智能的数据传输方案。在无人机网络中，无人机等智能终端需要交换大量数据，以完成环境监测、灾害应急响应、物流配送等复杂任务。传统通信方法侧重数据本身的精确传输，但忽视了信息的重要性及紧急程度，这在带宽有限和通信环境复杂的无人机网络中容易导致资源浪费和高传输延迟。语义通信通过优先处理和传输具有高度任务相关性及紧迫性的信息，能够显著提高通信效率及网络性能。这种以“意义”为中心的通信方式，确保在复杂任务执行、紧急情况响应及多平台协作等场景中，关键信息能够被优先处理和传递，尤其在无人机编队协作、跨域任务执行等场景中展现出独特优势。Kaleem等[69]指出，在无人机网络中，语义通信能够通过对数据的语义优先级排序，确保任务相关性强的信息被优先处理和传输，从而在带宽有限和环境复杂的场景中显著提升通信效率。尤其在无人机编队协作和任务关键型场景中，语义通信展现了其优化网络性能和提升任务完成效率的独特优势。Liew等[70]出了一种基于组合拍卖机制的语义通信资源分配框架，专注于在无人机协作任务中优化计算和通信资源分配。该研究以元宇宙场景下的无人机网络为背景，利用语义通信技术通过竞拍分配有限资源，使无人机能够根据任务的语义重要性动态地调整资源使用。该方法在带宽有限和环境复杂的场景中展现出显著优势，确保高优先级信息能够优先传输，从而提升任务完成效率。
然而，语义通信在无人机网络中的实施面临着诸多挑战。首先，如何准确快速地理解和提取不同任务和环境下的信息语义，这不仅要求能够理解各种复杂的环境和任务背景，还需要克服数据噪声和不确定性带来的影响。其次，多方语义通信的实现需要在无人机网络中搭建一套通用的语义理解框架，涉及复杂的语义编码和解码技术、多方知识库同步以及跨平台、跨设备的语义标准化问题。再次，基于语义通信的无人机网络可能面临语义中毒、语义对抗、知识窃取等多种新型威胁，对系统安全性提出了更高的要求。

5.2 大模型赋能无人机网络

大模型技术可极大增强无人机网络决策智能、优化网络管理和提升任务完成效率。通过云端基座大模型与细分行业场景中的专用大模型的紧密协同，平衡大模型的泛化能力与满足特定行业场景的需求，从而极大提升无人机网络各细分行业的服务质量和效率。Huang等[71]提出了通过利用大模型的固有知识，无需额外训练即可生成具有任务相关性的机制，其展示了大模型在动态决策与任务优化中的潜力。例如，在环境监测等场景中，基座大模型利用云端强大的算力提供全局优化策略，各细分行业场景模型则依据这些策略，针对具体场景需求分布式进行任务调整和执行，进一步优化航空器的作业策略和提升响应速度。此外，通过大模型间的功能协同，能够实现网络资源的最优配置和调度，动态地优化无人机任务分配和飞行路径，有效提高网络管理的效率，降低运营成本，并增强系统的稳定性。Emami等[72]进一步验证了基于人工智能的资源分配方法在无人机网络任务优化中的潜力，提出的多智能体优化框架能够有效动态地分配资源、降低任务延迟，并提升无人机任务完成效率。
然而，大模型在无人机网络的应用仍面临诸多挑战。首先，鉴于无人机网络环境的高度动态性，如何保证大模型即时响应环境变化和任务需求的更新需要深入研究。其次，如何设计一个高效协同机制，确保云端基座大模型与地面或空中边缘平台侧的细分行业大模型间的高效协作，既实现数据和知识的高效流动，又避免计算资源的冗余浪费成为难点。再次，大模型容易遭受提示注入、幻觉等威胁，造成行为不可控、决策不可信等问题，同时跨场景大模型协同过程中涉及大量敏感数据交换和处理，保证数据隐私和模型安全亟待解决。

5.3 数字孪生赋能无人机网络

数字孪生技术为每架航空器及关联节点创建对应的虚拟孪生体，并在云端或边缘网络中构建互联的孪生体网络，从而实现高效信息共享与交互。Zhou等[73]提出了一种联邦数字孪生框架，能够通过边缘计算实现无人机网络中动态状态和任务数据的实时同步，从而优化任务完成效率。Shen等[74]提出了一种结合数字孪生和多智能体强化学习的框架，能够在动态威胁环境中提升无人机协作效率和路径规划能力。该框架利用数字孪生提供的超高保真环境支持，解决了强化学习模型从仿真到现实的迁移问题。航空器的动态状态、任务数据和环境信息均可在其数字孪生体中实时反映和更新，为复杂场景下的航空器设计、测试、运营及维护提供了一种低成本解决方案。此外，这些孪生体通过云计算平台或边缘计算节点构成高度互联的网络，使得即使是物理距离遥远、超出直接通信范围的航空器也能在虚拟空间中实现“零距离”的沟通与协作。例如，两架执行不同任务但要协调配合的无人机可通过其孪生体在云平台上交换信息，共同完成复杂任务。基于数字孪生网络的孪生体内数据共享和孪生体间信息交互机制，不仅显著提升了任务完成效率，同时增强了整个无人机网络的安全性和鲁棒性。
然而，由于无人机网络的时空动态、数据异构多模态、节点大规模分布等特性，如何实时精确提取物理特征并构建成长型数字孪生知识库，实现数字孪生对海量低空物理实体的精确刻画与知识同步成为挑战。其次，由于无人机网络组网模式的异构性、网络拓扑的动态性以及信息的多链路传输，需要深入研究面向异构网络的多链路数据协同传输与控制策略，以保障数字孪生和物理实体之间数据双向传递的实时可靠性。再次，如何构建大规模数字孪生网络中数据与知识快速高效分享机制，实现孪生体间快速数据协同与孪生“共智”成为难点。最后，数字孪生系统容易遭受知识污染、知识库去同步化、虚实融合式威胁等新型攻击，如何构建安全且保护隐私的低空数字孪生系统亟待解决。

6 结束语

随着无人机产业的迅猛发展，无人机网络已成为支撑我国低空经济和低空安全国家战略的网络底座，是实现空域资源高效配置、空天地海智联互通的关键技术。本文全面综述了无人机网络的研究进展、安全威胁、防御策略以及未来发展趋势等方面的内容，对无人机网络架构的设计与安全防护进行了总结与思考。随着新兴技术的快速演进与新型服务的不断涌现，未来研究应更深入地探讨无人机网络与这些新兴技术和服务的高效融合问题，进一步优化其架构与安全防护措施，为无人机网络的持续发展与建设提供指导和参考。

① 1 https://github.com/samyk/skyjack。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
樊邦奎, 李云, 张瑞雨. 浅析无人机网络与无人机产业应用[J]. 地理科学进展, 2021, 40 (9): 1441- 1450.

DOI

FAN B K, LI Y, ZHANG R Y. Initial analysis of low-altitude internet of intelligences（IOI）and the applications of unmanned aerial vehicle industry[J]. Progress in Geography, 2021, 40 (9): 1441- 1450.

DOI

2
董超, 经宇骞, 屈毓锛, 等. 面向无人机网络频谱认知与决策的云边端融合体系架构[J]. 通信学报, 2023, 44 (11): 1- 12.

DOI

DONG C, JING Y Q, QU Y B, et al. Cloud-edge-device fusion architecture oriented to spectrum cognition and decision in low altitude intelligence network[J]. Journal on Communications, 2023, 44 (11): 1- 12.

DOI

3
中国民航网. 2023年中国通用航空盘点[EB/OL]. (2024-01-24)[2024-05-20]. http://www.caacnews.com.cn/1/tbtj_/202401/t20240124_1374164.html.

Civil Aviation Administration of China. 2023 China general aviation review[EB/OL]. (2024-01-24)[2024-05-20]. http://www.caacnews.com.cn/1/tbtj_/202401/t20240124_1374164.html.

4
中国政府网. 国务院关于印发“十三五”国家战略性新兴产业发展规划的通知[EB/OL]. (2016-11-19)[2024-05-20].https://www.gov.cn/zhengce/content/2016-12/19/content_5150090.htm.

State Council of the People’s Republic of China. Notice on the issuance of the “13th Five-Year Plan” for the development of national strategic emerging industries[EB/OL]. (2016-11-19)[2024-05-20]. https://www.gov.cn/zhengce/content/2016-12/19/content_5150090.htm.

5
中国政府网. 无人驾驶航空器飞行管理暂行条例[EB/OL]. (2023-06-28)[2024-05-20] https://www.gov.cn/zhengce/content/202306/content_6888799.htm.

State Council of the People’s Republic of China. Interim regulations on the flight management of unmanned aerial vehicles [EB/OL]. (2023-06-28)[2024-05-20]. https://www.gov.cn/zhengce/content/202306/content_6888799.htm.

6
RUGO A, ARDAGNA C A, IOINI N E. A security review in the UAVNet era: Threats, countermeasures, and gap analysis[J]. ACM Computing Surveys（CSUR）, 2022, 55 (1): 1- 35.

7
ADIL M, JAN M A, LIU Y, et al. A systematic survey: Security threats to UAV-aided IoT applications, taxonomy, current challenges and requirements with future research directions[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 24 (2): 1437- 1455.

8
何道敬, 杜晓, 乔银荣, 等. 无人机信息安全研究综述[J]. 计算机学报, 2019, 42 (5): 1076- 1094.

DOI

HE D J, DU X, QIAO Y R, et al. A survey on cyber security of unmanned aerial vehicles[J]. Chinese Journal of Computers, 2019, 42 (5): 1076- 1094.

DOI

9
刘炜, 冯丙文, 翁健. 小型无人机安全研究综述[J]. 网络与信息安全学报, 2016, 2 (3): 39- 45.

DOI

LIU W, FENG B W, WENG J. Survey on research of mini-drones security[J]. Chinese Journal of Network and Information Security, 2016, 2 (3): 39- 45.

DOI

10
陈新颖, 盛敏, 李博, 等. 面向 6G 的无人机通信综述[J]. 电子与信息学报, 2022, 44 (3): 781- 789.

DOI

CHEN X Y, SHENG M, LI B, et al. Survey on unmanned aerial vehicle communications for 6G[J]. Journal of Electronics and Information Technology, 2022, 44 (3): 781- 789.

DOI

11
HASSIJA V, CHAMOLA V, AGRAWAL A, et al. Fast, reliable, and secure drone communication: A comprehensive survey[J]. IEEE Communications Surveys & Tutorials, 2021, 23 (4): 2802- 2832.

12
QUINONEZ R,GIRALDO J,SALAZAR L,et al. SAVIOR:Securing autonomous vehicles with robust physical invariants[C]//Proceedings of USENIX Security Symposium(USENIX Security 20). USENIX Association,2020:895-912.

13
YAO Y,DASH P,PATTABIRAMAN K. Poster:may the swarm be with you:Sensor spoofing attacks against drone swarms[C]//Proceedings of ACM SIGSAC Conference on Computer and Communications Security (CCS). ACM,2022:3511-3513.

14
SATHAYE H,STROHMEIER M,LENDERS V,et al. An experimental study of GPS spoofing and takeover attacks on UAVs[C]//Proceedings of USENIX Security Symposium(USENIX Security 22). USENIX Association,2022:3503-3520.

15
SON Y,SHIN H,KIM D,et al. Rocking drones with intentional sound noise on gyroscopic sensors[C]//Proceedings of USENIX Security Symposium(USENIX Security 15). USENIX Association,2015:881-896.

16
HONG Z, LI X, WEN Z, et al. ESP spoofing: Covert acoustic attack on MEMS gyroscopes in vehicles[J]. IEEE Transactions on Information Forensics and Security, 2022, 17, 3734- 3747.

DOI

17
CHEN X,LI Z,CHEN B,et al. Metawave:Attacking mmwave sensing with meta-material-enhanced tags[C]//Network and Distributed System Security(NDSS)Symposium. ISOC,2023:1-17.

18
JANG J H,CHO M,KIM J,et al. Paralyzing drones via EMI signal injection on sensory communication channels[C]//Proceedings of Network and Distributed Systems Security(NDSS)Symposium. ISOC,2023:1-18.

19
FU Z, ZHI Y, JI S, et al. Remote attacks on drones vision sensors: An empirical study[J]. IEEE Transactions on Dependable and Secure Computing, 2021, 19 (5): 3125- 3135.

20
ZHOU C,YAN Q,SHI Y,et al. DoubleStar:Long-range attack towards depth estimation based obstacle avoidance in autonomous systems[C]//Proceedings of USENIX Security Symposium9(USENIX Security 22). USENIX Association,2022:1885-1902.

21
CHEN W, DONG Y, DUAN Z. DPM: Towards accurate drone position manipulation[J]. IEEE Transactions on Dependable and Secure Computing, 2022, 20 (1): 813- 826.

22
SATHAYE H,LAMOUNTAIN G,CLOSAS P,et al. Semperfi:Anti-spoofing GPS receiver for UAVs[C]//Proceedings of Network and Distributed Systems Security(NDSS)Symposium. ISOC,2022:1-17.

23
JEONG J,KIM D,JANG J H,et al. Un-rocking drones:Foundations of acoustic injection attacks and recovery thereof[C]//Proceedings of Network and Distributed Systems Security(NDSS)Symposium. ISOC,2023:1-18.

24
GUO P,KIM H,VIRANI N,et al. Roboads:Anomaly detection against sensor and actuator misbehaviors in mobile robots[C]//Proceedings of IEEE/IFIP International Conference on Dependable Systems and Networks(DSN). IEEE,2018:574-585.

25
CHEN X, MA C, ZHAO C, et al. UAV classification based on deep learning fusion of multi-dimensional UAV micro-doppler image features[J]. IEEE Geoscience and Remote Sensing Letters, 2024, 21, 1- 5.

26
BIRNBACH S,BAKER R,MARTINOVIC I. Wi-fly?:Detecting privacy invasion attacks by consumer drones[C]//Proceedings of Network and Distributed Systems Security(NDSS)Symposium. ISOC,2017:1-15.

27
NASSI B,BEN-NETANEL R,SHAMIR A,et al. Drones’ cryptanalysis-smashing cryptography with a flicker[C]//IEEE Symposium on Security and Privacy(SP). IEEE,2019:1397-1414.

28
BECK R R,VIJEEV A,GANAPATHY V. Privaros:A framework for privacy-compliant delivery drones[C]//Proceedings of ACM SIGSAC Conference on Computer and Communications Security(CCS). ACM,2020:181-194.

29
SANJAB A, SAAD W, BAŞAR T. A game of drones: Cyber-physical security of time-critical UAV applications with cumulative prospect theory perceptions and valuations[J]. IEEE Transactions on Communications, 2020, 68 (11): 6990- 7006.

DOI

30
WANG Z,YIN Y,AN B. Computing optimal monitoring strategy for detecting terrorist plots[C]//Proceedings of AAAI Conference on Artificial Intelligence (AAAI’16). AAAI,2016,30(1):1-7.

31
TEDESCHI P, SCIANCALEPORE S, DI PIETRO R. PPCA-privacy-preserving collision avoidance for autonomous unmanned aerial vehicles[J]. IEEE Transactions on Dependable and Secure Computing, 2022, 20 (2): 1541- 1558.

32
NASSI B,BITTON R,MASUOKA R,et al. SoK:Security and privacy in the age of commercial drones[C]//IEEE Symposium on Security and Privacy(SP). IEEE,2021:1434-1451.

33
WEN Y, CHEN G, FANG S, et al. RIS-assisted UAV secure communications with artificial noise-aware trajectory design against multiple colluding curious users[J]. IEEE Transactions on Information Forensics and Security, 2024, 19, 1883- 1895.

DOI

34
YUAN X, FENG Z, NI W, et al. Connectivity of UAV swarms in 3D spherical spaces under（un）intentional ground interference[J]. IEEE Transactions on Vehicular Technology, 2020, 69 (8): 8792- 8804.

DOI

35
DAYANIKLI G Y,SINHA S,MUNIRAJ D,et al. Physical-layer attacks against pulse width modulation-controlled actuators[C]//Proceedings of USENIX Security Symposium(USENIX Security 22). USENIX Association,2022:953-970.

36
HOOPER M,TIAN Y,ZHOU R,et al. Securing commercial WiFi-based UAVs from common security attacks[C]//Proceedings of IEEE Military Communications Conference (MILCOM). IEEE,2016:1213-1218.

37
KIM T,KIM C H,RHEE J,et al. RVFuzzer:Finding input validation bugs in robotic vehicles through control-guided testing[C]//Proceedings of USENIX Security Symposium(USENIX Security 19). USENIX Association,2019:425-442.

38
ZHOU J,DU Y,SHEN Z,et al. Silhouette:Efficient protected shadow stacks for embedded systems[C]//Proceedings of USENIX Security Symposium (USENIX Security 20). USENIX Association,2020:1219-1236.

39
SHOUFAN A, AL-ANGARI H M, SHEIKH M F A, et al. Drone pilot identification by classifying radio-control signals[J]. IEEE Transactions on Information Forensics and Security, 2018, 13 (10): 2439- 2447.

DOI

40
卢卓, 吴启晖, 周福辉. 有人机/无人机智能协同目标搜索和轨迹规划算法[J]. 通信学报, 2024, 45 (1): 31- 40.

DOI

LU Z, WU Q H, ZHOU F H. Algorithm for intelligent collaborative target search and trajectory planning of MAV/UAV[J]. Journal on Communications, 2024, 45 (1): 31- 40.

DOI

41
HAN D,LI A,LI J,et al. DroneKey:A drone-aided group-key generation scheme for large-scale IoT networks[C]//Proceedings of ACM SIGSAC conference on computer and communications security (CCS). ACM,2021:1306-1319.

42
CHEN J, TOUATI C, ZHU Q. A dynamic game approach to strategic design of secure and resilient infrastructure network[J]. IEEE Transactions on Information Forensics and Security, 2019, 15, 462- 474.

43
WANG Z, LI J, WANG Y, et al. Optimal repair strategy against advanced persistent threats under time-varying networks[J]. IEEE Transactions on Information Forensics and Security, 2023, 18, 5964- 5979.

DOI

44
KIM H,OZMEN M O,BIANCHI A,et al. PGFUZZ:Policy-guided fuzzing for robotic vehicles[C]//Proceedings of Network and Distributed Systems Security(NDSS)Symposium. ISOC,2021:1-18.

45
KIM H,OZMEN M O,CELIK Z B,et al. PatchVerif:Discovering faulty patches in robotic vehicles[C]//Proceedings of USENIX Security Symposium(USENIX Security 23). USENIX Association,2023:3011-3028.

46
DEY V,PUDI V,CHATTOPADHYAY A,et al. Security vulnerabilities of unmanned aerial vehicles and countermeasures:An experimental study[C]//Proceedings of IEEE International Conference on VLSI Design and International Conference on Embedded Systems (VLSID). IEEE,2018:398-403.

47
WANG X, GURSOY M C. Resilient path planning for UAVs in data collection under adversarial attacks[J]. IEEE Transactions on Information Forensics and Security, 2023, 18, 2766- 2779.

DOI

48
LU X, XIAO L, NIU G, et al. Safe exploration in wireless security: A safe reinforcement learning algorithm with hierarchical structure[J]. IEEE Transactions on Information Forensics and Security, 2022, 17, 732- 743.

DOI

49
SEDJELMACI H, SENOUCI S M, ANSARI N. A hierarchical detection and response system to enhance security against lethal cyber-attacks in UAV networks[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2017, 48 (9): 1594- 1606.

50
SU Z, WANG Y, XU Q, et al. LVBS: Lightweight vehicular blockchain for secure data sharing in disaster rescue[J]. IEEE Transactions on Dependable and Secure Computing, 2020, 19 (1): 19- 32.

51
WANG J,WANG Y,LI A,et al. ARI:Attestation of real-time mission execution integrity[C]//Proceedings of USENIX Security Symposium(USENIX Security 23). USENIX Association,2023:2761-2778.

52
KHAN A,KIM H,LEE B,et al. M2MON:Building an MMIO-based security reference monitor for unmanned vehicles[C]//Proceedings of USENIX Security Symposium(USENIX Security 21). USENIX Association,2021:285-302.

53
CLEMENTS A A,GUSTAFSON E,SCHARNOWSKI T,et al. HALucinator:Firmware re-hosting through abstraction layer emulation[C]//Proceedings of USENIX Security Symposium(USENIX Security 20). USENIX Association,2020:1201-1218.

54
FENG B,MERA A,LU L. P2IM:Scalable and hardware-independent firmware testing via automatic peripheral interface modeling[C]//Proceedings of USENIX Security Symposium(USENIX Security 20). USENIX Association,2020:1237-1254.

55
WANG Y, SU Z, BENSLIMANE A, et al. Collaborative honeypot defense in UAV networks: A learning-based game approach[J]. IEEE Transactions on Information Forensics and Security, 2024, 19, 1963- 1978.

DOI

56
SEDJELMACI H, SENOUCI S M, ANSARI N. Intrusion detection and ejection framework against lethal attacks in UAV-aided networks: A Bayesian game-theoretic methodology[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 18 (5): 1143- 1153.

57
TEDESCHI P, AL NUAIMI F A, AWAD A I, et al. Privacy-aware remote identification for unmanned aerial vehicles: current solutions, potential threats, and future directions[J]. IEEE Transactions on Industrial Informatics, 2023, 20 (2): 1069- 1080.

58
WANG Y, ZHOU X, ZHUANG Z, et al. UAV-enabled secure communication with finite blocklength[J]. IEEE Transactions on Vehicular Technology, 2020, 69 (12): 16309- 16313.

DOI

59
ALLADI T, BANSAL G, CHAMOLA V, et al. SecAuthUAV: A novel authentication scheme for UAV-ground station and UAV-UAV communication[J]. IEEE Transactions on Vehicular Technology, 2020, 69 (12): 15068- 15077.

DOI

60
LI P, YE D. Measurement-based optimal stealthy attacks on remote state estimation[J]. IEEE Transactions on Information Forensics and Security, 2022, 17, 3365- 3374.

DOI

61
LI T, ZHANG J, OBAIDAT M S, et al. Energy-efficient and secure communication toward UAV networks[J]. IEEE Internet of Things Journal, 2021, 9 (12): 10061- 10076.

62
叶海军, 王国峰, 冯志勇. 有人无人网络化信息系统动态协同技术研究[J]. 通信学报, 2023, 44 (7): 185- 196.

DOI

YE H J, WANG G F, FENG Z Y. Research on dynamic cooperative technology of manned and unmanned networked information system[J]. Journal on Communications, 2023, 44 (7): 185- 196.

DOI

63
PRASAD S, RAO Y S. Designing secure data storage and retrieval scheme in cloud-assisted internet-of-drones environment[J]. IEEE Internet of Things Journal, 2024, 11 (8): 13734- 13751.

DOI

64
ABERA T,BAHMANI R,BRASSER F,et al. DIAT:Data integrity attestation for resilient collaboration of autonomous systems[C]//Proceedings of Network and Distributed Systems Security(NDSS)Symposium. ISOC,2019:1-15.

65
WANG H, LIU C H, YANG H, et al. Ensuring threshold AoI for UAV-assisted mobile crowdsensing by multi-agent deep reinforcement learning with transformer[J]. IEEE/ACM Transactions on Networking, 2024, 32 (1): 566- 581.

DOI

66
王云涛, 苏洲, 许其超, 等. 基于审计博弈的安全协作频谱感知方案[J]. 通信学报, 2023, 44 (12): 1- 14.

DOI

WANG Y T, SU Z, XU Q C, et al. Secure and collaborative spectrum sensing scheme based on audit game[J]. Journal on Communications, 2023, 44 (12): 1- 14.

DOI

67
WANG Y, SU Z, XU Q, et al. A secure and intelligent data sharing scheme for UAV-assisted disaster rescue[J]. IEEE/ACM Transactions on Networking, 2023, 31 (6): 2422- 2438.

DOI

68
KIM T,KIM C H,OZEN A,et al. From control model to program:Investigating robotic aerial vehicle accidents with MAYDAY[C]//Proceedings of USENIX Security Symposium(USENIX Security 20). USENIX Association,2020:913-930.

69
KALEEM Z,ORAKZAI F A,ISHAQ W,et al. Emerging trends in UAVs:From placement,semantic communications to generative AI for mission-critical networks[J]. IEEE Transactions on Consumer Electronics,2024,doi:10.1109/TCE.2024.3434971.

70
LIEW Z Q, XU M, LIM W Y B, et al. Mechanism design for semantic communication in UAV-assisted Metaverse: A combinatorial auction approach[J]. IEEE Transactions on Vehicular Technology, 2024, 73 (2): 2236- 2251.

DOI

71
HUANG W,ABBEEL P,PATHAK D,et al. Language models as zero-shot planners:Extracting actionable knowledge for embodied agents[C]//Proceedings of International Conference on Machine Learning (ICML). ACM,2022:9118-9147.

72
EMAMI Y, GAO H, LI K, et al. Age of information minimization using multi-agent UAVs based on AI-enhanced mean field resource allocation[J]. IEEE Transactions on Vehicular Technology, 2024, 73 (9): 13368- 13380.

DOI

73
ZHOU L, LENG S, WANG Q. A federated digital twin framework for UAVs-based mobile scenarios[J]. IEEE Transactions on Mobile Computing, 2024, 23 (6): 7377- 7393.

DOI

74
SHEN G, LEI L, ZHANG X, et al. Multi-UAV cooperative search based on reinforcement learning with a digital twin driven training framework[J]. IEEE Transactions on Vehicular Technology, 2023, 72 (7): 8354- 8368.

DOI

Options
文章导航

/

〈 〉

禁止存储和处理涉密及内部敏感信息
网站版权 © 《网络空间安全科学学报》编辑部
地址：北京市西城区月坛北小街2号院1号楼　
邮编：100037　
电话：010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
技术支持：北京玛格泰克科技发展有限公司

京ICP备16032046号-20